De ce sofisticarea va câștiga în sectorul operațiunilor de învățare automată

Nu există nicio îndoială că operațiunile de învățare automată (MLOps) sunt un sector în plină expansiune. Piața este proiectată să ajungă la 700 de milioane de dolari până în 2025 – aproape de patru ori mai mult decât în 2020.

Încă, deși sunt tehnice și puternice, aceste soluții nu au generat veniturile așteptate, ceea ce a ridicat îngrijorări cu privire la creșterea viitoare.

Pot înțelege pesimismul care înconjoară acest spațiu, deoarece am petrecut primii 20 de ani ai carierei mele construind efectiv unelte interne MLOps la o firmă de gestionare a investițiilor de renume. Mai recent, am investit în startup-uri MLOps, dar acestea au fost lente în a atinge nivelul de venituri pe care l-aș fi așteptat. Pe baza experiențelor mele pozitive și negative cu MLOps, înțeleg de ce aceste startup-uri au luptat și de ce sunt acum pregătite pentru creștere.

Uneltele MLOps sunt esențiale pentru companiile care implementează modele și algoritmi bazate pe date. Dacă dezvoltați software, aveți nevoie de unelte care vă permit să diagnosticați și să anticipați problemele cu software-ul care ar putea să vă facă să pierdeți venituri semnificative din cauza eșecului său. Același lucru este valabil și pentru companiile care construiesc soluții bazate pe date. Dacă nu aveți unelte MLOps adecvate pentru evaluarea modelelor, monitorizarea datelor, urmărirea drift-ului parametrilor și a performanței modelului, și urmărirea performanței prevăzute versus a celei reale a modelelor, atunci probabil nu ar trebui să utilizați modele în sarcini critice de producție.

Cu toate acestea, companiile care implementează soluții bazate pe învățare automată fără cunoștințe și experiență profundă nu recunosc nevoia de unelte mai sofisticate și nu înțeleg valoarea integrării tehnice de nivel scăzut. Acestea sunt mai confortabile cu uneltele care operează pe exterior, chiar dacă sunt mai puțin eficiente, deoarece sunt mai puțin intruzive și reprezintă un cost și un risc de adoptare mai mic dacă uneltele nu funcționează.

Pe de altă parte, companiile cu echipe de învățare automată care posedă cunoștințe și experiență mai profundă cred că pot construi aceste unelte în interior și nu doresc să adopte soluții terțe. În plus, problemele care rezultă din lipsa uneltelor MLOps nu sunt întotdeauna ușor de identificat sau de diagnosticat – apărând ca fiind eșecuri de modelare versus operaționale. Rezultatul este că companiile care implementează soluții bazate pe învățare automată, fie că sunt sofisticate din punct de vedere tehnic sau lipsite de experiență, au fost lente în a adopta.

Dar lucrurile încep să se schimbe. Companiile încep să recunoască valoarea uneltelor MLOps sofisticate și profund integrate. Fie că au experimentat probleme ca urmare a lipsei acestor unelte, fie că au văzut concurenții suferind din cauza lipsei lor în multe eșecuri de mare profil, și acum sunt forțate să învețe despre soluțiile MLOps mai complexe.

Companiile MLOps care au supraviețuit “iernii veniturilor” până acum ar trebui să vadă o încălzire a pieței și o creștere a oportunităților de vânzări.

Companiile care vând soluții superficiale vor începe să piardă afaceri în fața soluțiilor mai integrate, care sunt mai greu de înțeles și de adoptat, dar oferă mai multe servicii de monitorizare, depanare și remediere pentru clienții lor. Dezvoltatorii de software MLOps ar trebui să păstreze credința că construirea de software puternic care rezolvă probleme într-un mod mai profund și mai cuprinzător va câștiga în cele din urmă în fața soluțiilor simple care oferă avantaje imediate, dar nu rezolvă întreaga gamă de probleme cu care se confruntă clienții lor.